CN105264528A - 集成搜索环境中的客户端意图 - Google Patents
集成搜索环境中的客户端意图 Download PDFInfo
- Publication number
- CN105264528A CN105264528A CN201480032454.5A CN201480032454A CN105264528A CN 105264528 A CN105264528 A CN 105264528A CN 201480032454 A CN201480032454 A CN 201480032454A CN 105264528 A CN105264528 A CN 105264528A
- Authority
- CN
- China
- Prior art keywords
- search
- local
- intention
- inquiry
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
体系结构与集成搜索框架组合用于推导出与搜索查询相关联的用户意图,并随后基于推导出的意图选择搜索方法:对从其发起搜索的当前本地设备的本地搜索、对除该本地设备以外的数据源的非本地搜索、或本地搜索和非本地搜索两者。查询上下文可被推导出以更高效地评估查询意图。该体系结构采用预测模型,这些预测模型是用使得能够在集成搜索环境中预测单一意图(或意图程度)的候选特征来训练的。这些模型可使用历史特征和实时特征来训练。分类器是使用这些特征来训练的。用户意图随后基于分类器输出被推导出,并且搜索被相应地执行。
Description
背景
对用户而言,集成搜索环境已变得越来越常见,其中搜索是对各个源执行的,而不像普通的web搜索或本地用户计算机上的本地搜索。集成搜索环境通常关注于搜索的web结果方面,并且无法考虑用户的搜索意图,由此引入了显著的限制。例如,如果用户想要启动计算机上的特定程序,则当针对本地应用的查询返回整个web结果页面时,现有的方法不提供良好的用户体验。
概述
下面提供了简明的概述,以便提供对本文所描述的一些新颖实施例的基本理解。本概述不是广泛的概览,并且它不旨在标识关键/重要元素或描绘本发明的范围。其唯一目的是以简化形式呈现一些概念,作为稍后呈现的更详细说明的序言。
所公开的体系结构与集成搜索框架组合用于推导出与搜索查询相关联的用户意图,并随后基于推导出的意图选择搜索方法:对从其发起该搜索的当前本地设备上的本地搜索、对除该本地设备以外的数据源的非本地搜索、或本地搜索和非本地搜索两者。非本地搜索对除本地设备以外的任何数据源执行。通常,这将是经由web搜索提供者的web搜索。然而,非本地搜索也可包括本地设备被连接到的个人网络(例如,家庭),诸如家庭网络、个人网络上的另一用户设备、以及在与本地设备的对等连接中的不同用户设备。非本地搜索还可包括业务内联网、企业网络和这些私有网络中的其他用户设备。非本地搜索还可包括给予其他用户对其进行搜索的许可并可经由web、在私有网络上等访问的数据源/设备。
因此,推导出的意图可被分析以获得关于要被搜索的(诸)源的指示。例如,意图可指示仅搜索本地设备数据,并且不通过大型web搜索引擎、私有业务网络、个人网络等处理该本地设备数据。替换地,该意图可指示仅大型web搜索引擎中的一个或多个web搜索引擎(例如,必应TM、雅虎TM等)可被用来返回结果。还替换地,该意图可指示本地设备数据和大型web搜索引擎两者都可被用来处理查询并返回搜索结果。选择能力使得前述数据源的任何组合能够被包括在搜索中。在又一示例中,该意图可指示该搜索要在本地设备(例如家庭机器)以及私有业务中的所有机器/服务器或所选的机器/服务器上进行。
另一选项是搜索可具有强意图(例如,对于本地)和弱意图(例如,对于非本地)。两个意图的相对强度可随后被用来影响如何集成和/或呈现这些结果。
如果没有意图被清楚地推导出,则可执行默认搜索(诸如web搜索和本地设备搜索两者的集成搜索),或者根本不执行搜索。在一个实施例中,默认搜索设置可按用户期望来配置,诸如被配置为仅本地搜索或仅非本地搜索,或仅本地搜索和所选的非本地数据源等等。此外,过去已清楚地指示仅本地搜索的查询可被容易地确定为再次仅在本地执行该搜索。
在另一实施例中,“直接动作”(特定搜索串)查询可被采用。直接动作查询采用由所公开的体系结构来解释以按预定方式执行搜索的关键词。例如,在所输入的供搜索的查询是特定文件(或文件名)的情况下,特定查询项<文件名>或<文件名.ext>可被用户配置或标记(或者被内部地获悉)为仅本地搜索项,使得在被输入作为搜索项时,所公开的体系结构促成相关联的应用和该文件的立即打开,而不是返回用户需要细读以找到并打开该文件的结果列表。该能力消除了对用于指引到该文件的活动以及在本地数据源中搜寻该文件的快捷方式图标的使用。
替换地,不是打开具有那个文件名的文件,情况可能是用户被自动导航(自动导航功能)到那个文件的位置,诸如包含该文件的本地文件夹或者包含具有那个文件名的各文件的所有本地文件夹。
该直接动作查询也可用不同的方式来输入以更容易并快速地查明用户意图。例如,“本地文件夹<名称>”的查询可容易地被计算成被引导到具有名称<名称>的文件夹。替换地,“本地文件<文件名>”的查询可容易地被计算成意图打开那个特定文件(以及相关联的文件夹面板)或者自动导航到本地设备上的那个文件位置。自动地打开相关联的文件夹增强了用户体验,因为用户现在已经准备好访问与该文件相关联的其他文档/文件夹/内容。
在另一集成搜索场景中,用户可指定或者体系结构可获悉诸如“个人网络<文件名>”之类的查询被计算成意指用户意图是包括本地设备和其他个人非本地设备,并且因此该搜索在用户的以及当前在该用户的个人用户网络上和/或在该用户的工作场所处的所有个人设备上执行。
换言之,该体系结构允许在集成搜索环境中预测单一意图——本地数据源和非本地数据源搜索。该体系结构预测何时用户意图唯一地针对非本地搜索、唯一地针对本地搜索、或者是本地搜索和非本地搜索的组合。
该体系结构采用预测模型,这些预测模型是用使得能够在集成搜索环境中预测单一意图(或意图程度)的候选特征来训练的。当模型预测被处理以帮助与集成搜索环境的交互时,这些预测帮助用户手头的任务。例如,按压搜索按钮可被配置成总是执行集成搜索;然而,在单一意图已被推导出的情况下,可通过取决于查询上下文而唯一地执行本地搜索或唯一地执行非本地(例如,web)搜索来避开该能力。
查询上下文定义与查询相关联的许多不同的特征。例如,查询上下文可包括查询被输入的特定方式(诸如手动地或通过NUI姿势(自然用户界面))、有还是没有用大写、语言(例如,英语对照法语)、查询经由其输入的特定设备、查询被输入时设备的位置(例如,地理位置、网络位置等)、用户的行进状态、从其发起查询搜索的设备的硬件/软件能力、输入查询的用户的用户简档、在查询被输入时被打开/没有被打开的一个或多个应用、查询最可能与其关联的应用、特殊查询项(或关键词)、一天中的时间、星期几、季节、气候条件、交通条件、当前正在进行或即将开始的特殊事件等等。
为每一查询计算出的特征可包括但不限于:技术(tech)分类器分数、上下文外比率、自动导航比率、自动导航指示值、客户端点击计数比率和客户端点击计数指示值。该架构延伸到使用在线特征—仅在用户与集成搜索环境进行交互的时间可用的那些在线特征。
注意用于训练预测模型的一些特征在本质上可能是历史的(基于过去的用户动作),且一些特征可能是实时的(基于当前用户动作)。由此,这些模型可随时间演变。此外,这些模型可演变为或被控制成演变为用户专用的。因此,这些用户专用模型可在用户设备上被用来更高效地评估搜索是否应当在本地被唯一地执行,而不是需要与在线搜索引擎进行通信以作出该确定。该能力促成针对当前从网络断开连接的用户设备的增强的能力。
分类器是使用这些特征以及各种分类技术中的一个或多个(诸如逻辑回归分类)来训练的,其中这样的回归的输出—即0和1之间的数字(包括性的)提供期望的响应—即表示封装在查询中的客户端意图的量的数字。
意图可被完全计算为0值(没有意图)或1值(有明确的意图)。意图可替换地在意图程度方面被计算。例如,阈值可被设置,其中小于低阈值指示没有可能是在本地搜索的意图,高阈值指示仅在本地搜索的明确意图,并且在低阈值和高阈值之间时,意图为既在本地搜索又在非本地地搜索。选择不执行非本地(例如web搜索)优化了性能以及终端用户体验,因为网络通信可变慢并负面地影响系统/设备性能。
为了实现上述及相关目的,本文结合下面的描述和附图来描述某些说明性方面。这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。结合附图阅读下面的详细描述,其他优点和新颖特征将变得显而易见。
附图简述
图1示出了根据所公开的体系结构的系统。
图2示出了根据所公开的体系结构的用于意图评估和搜索选择的预测系统。
图3示出了其中可输入信号并将信号馈送回预测模型的系统。
图4示出了本地结果和非本地结果两者的结果页面。
图5示出了根据所公开的体系结构的方法。
图6示出了根据所公开的体系结构的替换方法。
图7示出了执行根据所公开的体系结构的在集成搜索环境中执行客户端意图的计算系统的框图。
详细描述
集成搜索环境的一个方面是理解用户何时正在搜索某物,该搜索可仅经由客户端而不只是经由任何web搜索来履行——该理解具有客户端意图。
所公开的体系结构包括一种方法,通过该方法,可作出关于用户查询是否存在客户端意图的评估,并基于该评估为用户调整结果和/或用户体验。例如,如果评估是用户仅仅期望本地内容或本地动作(例如,本地应用安装),则该体系结构可确定完全忽略执行web搜索。因此,对该体系结构的用户体验可被改善,并且用户的相关联的产品表现为“更智能”。
所公开的体系结构与集成搜索框架组合用于推导出与搜索查询相关联的用户意图,并且随后基于推导出的意图,选择以下搜索方法:在从其发起搜索的当前本地设备上的本地搜索、对除本地设备以外的数据源的非本地搜索、或者本地搜索和非本地搜索两者。非本地搜索对除本地设备以外的任何数据源执行。通常,这将是经由web搜索提供者的web搜索。然而,非本地搜索还可包括本地设备被连接到的个人网络(例如,家庭)(诸如,家庭网络)、个人网络上的另一用户设备、以及与本地设备的对等连接中的不同用户设备。非本地搜索还可包括业务内联网、企业网络、和这些私有网络中的其他用户设备。非本地搜索还可包括给予其他用户对其进行搜索的许可并可经由web、在私有网络上等访问的数据源/设备。
因此,推导出的意图可被分析以获得关于要被搜索的(诸)源的指示。例如,意图可指示仅搜索本地设备数据,并且不通过大型web搜索引擎、私有业务网络、个人网络等处理该本地设备数据。替换地,该意图可指示仅大型web搜索引擎中的一个或多个web搜索引擎(例如,必应TM、雅虎TM等)可被用来返回结果。还替换地,该意图可指示本地设备数据和大型web搜索引擎两者都可被用来处理查询并返回搜索结果。选择能力使得前述数据源的任何组合能够被包括在搜索中。在又一示例中,该意图可指示该搜索要在本地设备(例如家庭机器)以及私有业务中的所有机器/服务器或所选的机器/服务器上进行。
如果没有意图被清楚地推导出,则可执行默认搜索(诸如web搜索和本地设备搜索两者的集成搜索),或者根本不执行搜索。在一个实施例中,默认搜索设置可按用户期望来配置,诸如被配置为仅本地搜索或仅非本地搜索,或仅本地搜索和所选的非本地数据源等等。此外,过去已清楚地指示仅本地搜索的查询可被容易地确定再次仅在本地执行该搜索。
在另一实施例中,“直接动作”(例如,特定搜索串)查询可被采用。直接动作查询可采用由所公开的体系结构来解释以按预定方式执行搜索的关键词。例如,在所输入的供搜索的查询是特定文件(或文件名)的情况下,特定查询项<文件名>或<文件名.ext>可被用户配置或标记(或者被内部地获悉)为仅本地搜索项,使得在被输入作为搜索项时,所公开的体系结构促成相关联的应用和该文件的立即打开,而不是返回用户需要细读以找到并打开该文件的结果列表。该能力消除了用于指引到文件的活动以及在本地数据源中搜寻该文件的快捷方式图标的使用。
替换地,不是打开具有那个文件名的文件,情况可能是用户被自动导航(自动导航功能)到那个文件的位置,诸如包含该文件的本地文件夹或者包含具有那个文件名的各文件的所有本地文件夹。
该直接动作查询也可用不同的方式来输入以更容易并快速地查明用户意图。例如,本地文件夹“<名称>”的查询可容易地被计算为被引导到具有名称<名称>的文件夹。替换地,本地文件“<文件名>的查询可容易地被计算成意图打开那个特定文件(以及相关联的文件夹面板)或者自动导航到本地设备上的那个文件位置。”自动地打开相关联的文件夹增强了用户体验,因为用户现在已经准备好访问与该文件相关联的其他文档/文件夹/内容。
在另一集成搜索场景中,用户可指定或者体系结构可获悉诸如个人网络“<文件名>”之类的查询被计算成意指用户意图是包括本地设备和其他个人非本地设备,并且因此该搜索在用户的以及当前在该用户的个人用户网络上和/或在该用户的工作场所处的所有个人设备上执行。
换言之,体系结构允许预测集成搜索环境中的单一意图——本地数据源和非本地数据源搜索。该体系结构预测用户意图何时唯一地针对非本地搜索、唯一地针对本地搜索、或者是本地搜索和非本地搜索的组合。
该体系结构采用预测模型,这些预测模型是用使得能够预测集成搜索环境中的单一意图(或意图程度)的候选特征来训练的。当模型预测被处理以帮助与集成搜索环境的交互时,这些预测帮助用户手头的任务。例如,按压搜索按钮可被配置成总是执行集成搜索;然而,在单一意图已被推导出的情况下,该能力可通过取决于查询上下文而唯一地执行本地搜索或唯一地执行非本地(例如,web)搜索来规避。
查询上下文定义与查询相关联的许多不同的特征。例如,查询上下文可包括查询被输入的特定方式(诸如手动地或通过NUI姿势(自然用户界面))、有还是没有用大写、语言(例如,英语对照法语)、查询经由其输入的特定设备、查询被输入时设备的位置(,例如,地理位置、网络位置等)、用户的行进状态、从其发起查询搜索的设备的硬件/软件能力、输入查询的用户的用户简档、在查询被输入时被打开/没有被打开的一个或多个应用、查询最可能与其关联的应用、特殊查询项(或关键词)、一天中的时间、星期几、季节、气候条件、交通条件、当前正在进行或即将开始的特殊事件等等。
与本地设备的用户交互可以是启用姿势的,藉此用户采用用于交互的一个或多个姿势。例如,姿势可以是自然用户界面(NUI)姿势。NUI可被定义为使得用户能够以“自然”方式与设备交互而无需由诸如鼠标、键盘、遥控等输入设备强加的人为约束的任何接口技术。NUI方法的示例包括采用姿势的那些方法,而所述姿势在此处被广泛地定义为包括但不限于:触觉和非触觉接口,诸如语音识别、触摸识别、面部识别、指示笔识别、空气识别(例如,手部姿态和移动以及其他身体/附肢运动/姿态)、头部和眼睛跟踪、话音和语音说话、以及至少与例如视觉、语音、声音、姿态和触摸数据相关的机器学习。
NUI技术包括但不限于:触敏显示、话音和语音识别、意图和目的理解、使用深度相机(如立体相机系统、红外相机系统、彩色相机系统、以及这些的组合)的运动姿势检测、使用加速度计/陀螺仪的运动姿势检测、面部识别、3D显示、头部、眼睛和注视跟踪、浸入式增强现实和虚拟现实系统,所有这些都提供更自然的用户接口,以及用于使用电场传感电极(如脑电图仪(EEG)和其他神经生物反馈方法)的传感大脑活动的技术。
为每一查询计算出的特征可包括但不限于:技术(tech)分类器分数、上下文外比率、自动导航比率、自动导航指示值、客户端点击计数比率和客户端点击计数指示值。该架构延伸到使用在线特征—仅在用户与集成搜索环境进行交互的时间可用的那些在线特征。
技术分类器分数可以是范围在0和1之间(包括性的)并且用作查询的技术分类的分数。较高的分数指示查询具有它的不止一个技术涵义。
上下文外比率是在集成搜索环境中执行的查询的数目与仅web搜索环境中执行的查询的数目的比。具有较高比率的查询指示该查询更频繁地在集成环境中被搜索,这指示该查询更可能具有客户端意图。
自动导航比率是该查询执行自动导航事件的次数与该查询导致在集成搜索页面中的次数的比。在用户界面搜索控制的一个实现中,某些查询(例如,控制面板)导致自动导航事件,其中用户被立即带到期望目的地(在该情况下为控制面板程序),而不是带到集成搜索结果页面。
自动导航指示值指示该查询可能可被用于自动导航事件。当且仅当自动导航比率大于0,指示值可为“1”值(等);否则,该指示值为“0”值(等)。
客户端点击计数比率:在集成搜索结果页面中,可示出到基于客户端的内容的链接,例如到应用、程序和/或特定文件的链接。如果对于某些查询而言,相比于web结果,用户点击该内容更频繁,则这指示该查询具有更多相关联的客户端意图。
客户端点击计数指示值指示查询至少一次导致关于集成搜索结果页面中的客户端内容的点击计数。当且仅当客户端点击计数比率大于“0”值(等),该指示值为“1”值(等),否则,指示值为0值。
按需使用以上特征的任何组合以及可能的其他特征,分类器(分类组件)可使用各种分类技术来训练。可被采用的其他分类算法包括但不限于决策树、加权决策森林以及通用统计算法。
注意用于训练预测模型的一些特征在本质上可能是历史的(基于过去的用户动作),且一些特征可能是实时的(基于当前用户动作)。由此,这些模型可随时间演变。此外,这些模型可演变为或被控制成演变为用户专用的。因此,这些用户专用模型可在用户设备上被用来更高效地评估搜索是否应当在本地被唯一地执行,而不是需要与在线搜索引擎进行通信以作出该确定。该能力促成针对当前从网络断开连接的用户设备的增强的能力。
分类器是使用这些特征以及各种分类技术中的一个或多个(诸如逻辑回归分类)来训练的,其中这样的回归的输出—即0和1之间的数字(包括0和1在内)提供期望的响应—即表示封装在查询中的客户端意图的量的数字。
意图可被完全计算为0值(没有意图)或1值(有明确的意图)。意图可替换地在意图程度方面被计算。例如,阈值可被设置,其中小于低阈值指示没有可能是在本地搜索的意图,高阈值指示仅在本地搜索的明确意图,并且在低阈值和高阈值之间时,意图为既在本地搜索又在非本地地搜索。选择不执行非本地搜索(例如web搜索)优化了性能以及终端用户体验,因为网络通信可变慢并负面地影响系统/设备性能。
意图级别可被用于设置用于获得结果的超时阈值或等待要求。例如,在web意图分数为0.8而非0.4的情况下,用户可能愿意等待web结果服务作出响应的长度的两倍。意图分数由此提供了指定结果将从特定源被获得的概率以及允许对系统性能的调谐两者的方式。
当用户与集成搜索环境交互时,利用这些模型的预测改善了用户体验以及手头的任务。例如,按压搜索指示器按钮(例如,WindowsTM操作系统中的搜索CharmTM)上的搜索按钮可被编程为总是执行集成搜索。然而,在检测到的单一意图是该搜索被唯一地作为本地搜索或被唯一地作为非本地搜索(例如,web搜索)并取决于上下文来执行的推断的情况下,可避开该编程操作或功能。
查询串本身可能是以本地或非本地设置来执行所需的全部内容。例如,查询串可被采用来推断针对本地搜索的单一意图,和/或实时特征可被采用来推断针对非本地搜索(例如,web搜索)的单一意图。
现在将参考附图,全部附图中相同的附图标记用于指代相同的元素。在下面的描述中,为了进行说明,阐述了很多具体细节以便提供对本发明的全面理解。然而,显而易见,可以没有这些具体细节的情况下实施各新颖实施例。在其他情况下,以框图形式示出了各个公知的结构和设备以便于描述本发明。本发明将涵盖落入所要求保护的主题的精神和范围内的所有修改、等效方案和替换方案。
图1示出了根据所公开的体系结构的系统100。系统100可包括搜索组件102,该搜索组件102被配置成接收查询104(作为集成搜索过程的一部分)以及接收该查询的查询上下文106。查询上下文106涉及以下中的至少一者:从其输入查询的设备(例如,手持式设备、电话、便携式设备、台式机等)、设备的位置(例如,地理位置、网络位置等)、或设备的应用活动(例如,应用已经打开、从应用内发起了搜索、(诸)应用打开的类型、(前台中)当前活动的应用)等等。
特征组件108可被配置成从预测模型112中获得如与查询104和/或查询上下文106相关的候选特征110。分类组件114可被配置成基于候选特征110生成查询104的分类值116。分类组件114可使用一个或多个不同的算法来执行分类,不同的算法包括但不限于回归算法、分层分类器算法,分层分类器算法先预测查询是否具有客户端意图;如果是,则预测查询的子类别(例如,文件、设置、应用等)。
意图组件118可被配置成基于分类值116标识意图程度120。由搜索组件102基于意图程度120将搜索过程引导到非本地搜索122(例如,web、基于网络)或本地搜索124。
搜索过程作为本地搜索124和非本地搜索122两者来执行以获得总体结果126。总体结果126可被调整为仅示出与意图程度120有关的相关结果。意图组件118将意图程度120计算为涉及除本地设备(或数据源)以外的数据源的非本地内容、本地设备的本地内容、本地设备的本地文件和本地设备的本地应用。
候选特征110可包括任何一个或多个特征。例如,候选特征110可包括指示查询的技术含意的技术分类器分数。候选特征110可包括上下文外特征,该上下文外特征定义来自单个搜索环境和集成搜索环境的比较信息以标识各单个搜索查询。候选特征110包括与要在自动导航事件中使用的查询的自动导航事件可能性相关联的自动导航度量。候选特征110可包括与如同本地内容有关的点击计数活动相关联的点击计数度量。
特征和/或用户触发(由用户向系统提供的动作)可包括QAS(质量分段分数)、客户端或非客户端区域点击概率、操作系统命令白名单、具有某些模式的常规表达(例如,*.pdf,%appdata(应用数据)%等)等等。
系统100可能还可包括主动建议内容的建议组件128。建议组件128可被配置成单独地(覆盖)操作、与分类组件114合作地操作或根本不针对任何给定查询操作。例如,在给定当前时间或上下文的情况下,建议组件128可建议可能与用户相关的本地文档或web内容。建议能力可基于生成的查询,但无需限于此,并且可基于用户在某时间段内(例如在过去的二十四小时中)最常见的查询,用户的位置(例如,工作、家等),针对所有设备用户(例如WindowsTM)、搜索引擎用户(例如,必应TM)、社交网络用户、企业用户的常见查询等等。
情况可能是建议组件128覆盖分类组件114,从而使得仅来自建议组件的结果被利用。覆盖能力可基于诸如上下文、当前时间等准则来启用。由此,由分类组件114输出的分类分数被丢弃或按某种其他期望方式被使用。情况也可能是一旦作出使用建议组件128的决策,分类组件114的操作变得空闲,使得不执行可能需要资源的计算。
当与分类组件114组合操作时,例如一旦分类分数指示较高的本地意图程度,建议组件128可随后被采用来接着建议例如先前访问的或与最新近的本地搜索会话相关的内容。
主动建议内容的建议组件128不需要基于查询触发(这是查询分类系统的先决条件)。情况可能是由于这两个组件(114和128)可基于不同的事件触发(以恒定的时间区间或在诸如用户返回家庭屏幕或打开搜索框时之类的其他非查询事件处建议内容),这些组件(114和128)不必竞争也不会彼此覆盖。主动的系统可利用分类组件114来基于其他(例如,用户先前的,或者在其他情况下与当前上下文相关的)查询以及其分类的意图来提供意图分数。建议组件128将因此在分类组件114之上工作,并且不需要与其竞争。
图2示出了根据所公开的体系结构的用于意图评估和搜索选择的预测系统200。系统200包括预测模型112,预测模型112可按需包括第一模型202(例如,技术分类器数据存储)、第二模型204(例如,查询统计数据存储)、第三模型206(例如,点击信息)和其他模型208。第三模型206(例如,点击信息)可用于提供例如客户端点击计数比率和客户端点击计数指示值的点击计数度量。
特征生成器210(类似于特征组件108)用于从预测模型112中选择如与查询104和/或查询上下文106有关的候选特征110。候选特征110可随后被输入到分类器212(类似于分类组件114)以处理候选特征110并生成被利用来确定意图程度120的分类值116。
搜索指示器214被描述为对分类器212的输入。在一个实施例中,搜索指示器214是影响分类器212的特定类型的信号。例如,搜索指示器214可以是被配置成总是向集成搜索环境指示将搜索作为本地搜索和作为非本地搜索(例如web)两者来执行的软件控件。
情况也可能是如由分类器212处理的候选特征110指示用户意图(查询意图)是仅执行本地搜索的高可能性。由此,被配置成通过激活搜索指示器214而自动发起的双重搜索(本地和非本地)被从分类分数116中推导出的意图程度覆盖。无论搜索指示器214的编程目的或功能是什么,该目的或功能都可被配置成用如与从分类器212推导出的分类值116相比的合适定义的差异值来覆盖。例如,如果推导出的意图被计算为具有至少85%的可能性为仅本地搜索(如由分类值116所指示的),则指示器214的编程功能可被覆盖(或被忽略)。
图3示出了系统300,在系统300中,信号可被输入并被馈送回预测模型112。模型112可至少使用从其他用户获得的历史数据302来开发。历史数据302可被解析以用于特定模型的目的。例如,点击信息可在一个模型中被利用但不在另一模型中被利用,并且自动导航数据可在一个模型中被采用但不在其他模型中被采用。此外,当前用户的实时数据304可被馈送回模型112或特定模型。此外,其他用户的实时数据可被馈送回模型112以影响从这些模型对候选特征的选择。
模型112可被在线主存以供公知的较大的搜索提供者利用。以下也在所公开的体系结构的构想中:模型112或其副本也可被主存在本地,诸如被主存在个人网络或个人设备上,并被按需更新。两个主存模型集合上的更新可被按需同步,使得主存在本地的模型更新在线模型,并且在线模型更新本地模型。
在增强实现中,模型112可演变为是针对用户定制的。由此,在在线主存集合中,模型112专用于用户,并且仅基于用户搜索活动和其他用户设备/应用活动而更新。
将理解,在所公开的体系结构中,可重新安排、组合、忽略某些组件,并且可包括附加的组件。此外,在一些实施例中,这些组件中的全部或一些存在于客户端上,而在其他实施例中,一些组件可驻留在服务器上或由本地或远程服务提供。
所公开的体系结构可任选地包括隐私组件(未示出),该隐私组件使得用户能够选择加入或选择退出标识和/或暴露个人信息。隐私组件允许对可能已经获得的、被维护的和/或可访问的用户信息(诸如跟踪信息)以及个人信息进行经授权和安全的处理。可向用户提供收集个人信息的各部分的通知以及选择加入或选择退出收集过程的机会。内容可采用各种形式。可对用户施加选择加入同意,以在收集数据之前采取肯定动作。或者,可对用户施加选择退出同意来在收集数据之前采取肯定动作来防止数据收集。
图4示出本地结果402和非本地结果404两者的结果页面400。从“跟随者”查询推导出的意图可不仅影响搜索是本地和/或非本地,而且还影响这些结果被呈现的方式。在这个页面400中,结果被分割成:本地结果402被呈现/列出在左边,并且非本地(例如,web)结果404被呈现/列出在右边。此外,这些结果在以下每一个结果集合中可被排序:本地结果402和非本地结果404。此外,所列出的结果的数目可取决于显示空间的量。
此处所包括的是一组表示用于执行所公开的体系结构的新颖方面的示例性方法的流程图。尽管出于解释简明的目的,此处例如以流程图或流程图表形式示出的一个或多个方法被示出并且描述为一系列动作,但是可以理解,各方法不受动作的次序的限制,因为根据本发明,某些动作可以按与此处所示并描述的不同的次序和/或与其他动作同时发生。例如,本领域的技术人员将明白并理解,方法可被替换地表示为一系列相互相关联的状态或事件,诸如以状态图的形式。此外,并非在一方法中示出的所有动作都是新颖实现所必需的。
图5示出根据所公开的体系结构的方法。在500,作为可执行本地搜索和非本地搜索的搜索过程的一部分,接收查询。在502,推导出查询的上下文。在504,评估与上下文相关联的特征。在506,基于这些特征计算查询的分类值。在508,基于分类值标识意图程度。在510,基于意图程度将搜索过程引导到本地搜索或非本地搜索中的至少一者。
该方法可进一步包括基于意图程度调整搜索结果。换言之,这些搜索结果可基于意图程度而通过本地搜索唯一地获得。替换地,情况也可能是搜索过程涉及搜索本地内容和非本地内容(例如,web)两者;然而,基于指示仅本地搜索的意图程度,仅本地的结果将被呈现(非本地搜索结果将被忽略)。该方法还可包括从预测模型中获得标识意图程度的特征。该方法还可包括应用上下文外特征以确定何时查询最频繁地与本地搜索相关联。由此,如果特定搜索项或串频繁地指示搜索本地设备或本地数据存储的意图,则可用高可能性程度推断该同一查询在将来将再次指示本地搜索。
本发明还可包括覆盖编程的搜索功能并基于意图程度选择不同的搜索过程。该方法还可包括基于如根据查询串或实时特征计算出的意图程度来引导搜索过程。例如,如果查询串可用高置信程度被解释为指示特定意图,则搜索过程随后被相应地引导。如果实时特征串可用高置信程度被解释为指示特定意图,则再一次,搜索过程随后被相应地引导。例如,一个或多个实时特征(例如,地理位置信息或网络信息)指示用户可能在家,则可直接推断出搜索将是仅本地搜索。
图6示出了根据所公开的体系结构的替换方法。该方法可被实现为包括计算机可执行指令的计算机可读物理存储介质,该计算机可执行指令在被微处理器执行时,使得该微处理器执行以下动作。
在600,作为包括本地搜索和非本地搜索的集成搜索过程的一部分,对预测模型的候选特征进行分类。在602,分析这些候选特征以推导出查询上下文。在604,基于推导出的查询上下文来预测查询意图。在606,基于查询意图将搜索过程引导到本地搜索或非本地搜索中的至少一者。
该方法还可包括基于与上下文外、技术(例如,技术分类器分数)、自动导航度量、或客户端点击计数度量中的至少一者相关联的特征来推导查询意图的动作。该方法还可包括基于查询意图和查询上下文将搜索过程引导到非本地内容、本地内容、本地文件或本地应用中的至少一者的动作。
该方法还可包括基于如根据查询串或实时特征计算出的查询意图来引导搜索过程的动作。
该方法还可包括覆盖编程搜索功能并基于查询意图选择不同的搜索过程的动作。
如在本申请中所使用的,术语“组件”和“系统”旨在表示计算机相关的实体,其可以是硬件、软件和有形硬件的组合、软件、或者执行中的软件。例如,组件可以是,但不限于,诸如微处理器、芯片存储器、大容量存储设备(例如,光驱、固态驱动器、和/或磁存储介质驱动器)、以及计算机等有形组件,以及诸如在微处理器上运行的进程、对象、可执行码、数据结构(储存于易失性或非易失性存储介质)、模块、执行的线程和/或程序等软件组件。
作为说明,在服务器上运行的应用和服务器两者都可以是组件。一个或多个组件可以驻留在进程和/或执行的线程内,且组件可以位于一个计算机上和/或分布在两个或更多的计算机之间。词语“示例性”在此处可用于表示用作示例、实例或说明。在此被描述为“示例性”的任何方面或设计并不一定要被解释为相比其它方面或设计更优选或有利。
现在参考图7,示出了执行根据所公开的体系结构在集成搜索环境中执行客户端意图的计算系统700的框图。然而,可以理解所披露的方法和/或系统的某些或全部方面可以实现为片上系统,其中模拟、数字、混合信号以及其他函数都在单个芯片基片上制作。
为了提供用于其各方面的附加上下文,图7及以下讨论旨在提供对其中可实现各方面的合适的计算系统700的简要概括描述。尽管以上描述是在可在一个或多个计算机上运行的计算机可执行指令的一般上下文中进行的,但是本领域的技术人员将认识到,新颖实施例也可结合其它程序模块和/或作为硬件和软件的组合来实现。
用于实现各方面的计算系统700包括计算机702,计算机具有(诸)微处理单元704(也称为(诸)微处理器和(诸)处理器)、诸如系统存储器706(计算机可读存储介质/媒体还包括磁盘、光盘、固态驱动器、外置存储器系统和闪存驱动器)等的计算机可读存储、以及系统总线708。(诸)微处理单元704可以是各种市场上可买到的微处理器中的任一种,诸如单处理器、多处理器、单核处理单元和/或存储电路。此外,本领域的技术人员可以理解,该新颖的系统和各方法可用其它计算机系统配置来实施,包括小型机、大型计算机、以及个人计算机(例如,台式、膝上型、平板PC等)、手持式计算设备、基于微处理器的或可编程的消费电子产品等,其每一个都可在操作上耦合到一个或多个相关联的设备。
计算机702可以是支持诸如无线通信设备、蜂窝电话和其他具有移动能力的设备等便携式和/或移动计算系统的云计算服务的数据中心和/或计算资源(硬件和/或软件)中所采用的若干计算机之一。云计算服务包括但不限于例如基础结构即服务(infrastructureasaservice)、平台即服务(platformasaservice)、软件即服务(softwareasaservice)、存储即服务(storageasaservice)、桌面即服务(desktopasaservice)、数据即服务(dataasaservice)、安全即服务(securityasaservice)、以及API(应用程序接口)即服务(APIasaservice)。
系统存储器706可包括计算机可读存储(物理存储介质),如易失性(VOL)存储器710(例如,随机存取存储器(RAM))和非易失性存储器(NON-VOL)712(如ROM、EPROM、EEPROM等)。基本输入/输出系统(BIOS)可被存储在非易失性存储器712中,并且包括诸如在启动期间便于在计算机702内的组件之间传递数据和信号的基本例程。易失性存储器710还可包括诸如静态RAM等高速RAM来用于高速缓存数据。
系统总线708提供了用于包括,但不限于系统存储器706的系统组件到微处理单元704的接口。系统总线708可以是若干种总线结构中的任一种,这些总线结构还可使用各类可购买到的总线架构中的任一种互连到存储器总线(带有或没有存储器控制器)以及外围总线(例如,PCI、PCIe、AGP、LPC等)。
计算机702还包括(诸)机器可读存储子系统714以及将(诸)存储子系统714与系统总线708和其他所需计算机组件和电路对接的(诸)存储接口716。存储子系统714(物理存储介质)可包括例如硬盘驱动器(HDD)、磁软盘驱动器(FDD)、固态驱动器(SSD)、闪存驱动器、和/或光盘存储驱动器(例如,CD-ROM驱动器、DVD驱动器)中的一种或多种。存储接口716可包括诸如,例如EIDE、ATA、SATA和IEEE1394等接口技术。
一个或多个程序和数据可被存储在存储器子系统706、机器可读和可移动存储器子系统718(例如,闪存驱动器形状因子技术)和/或(诸)存储子系统714(例如,光、磁、固态)中,这些程序和数据包括操作系统720、一个或多个应用程序722、其他程序模块724以及程序数据726。
操作系统720、一个或多个应用程序722、其他程序模块724和/或程序数据726可包括图1的系统100的各项和组件、图2的系统200的各项和组件、图3的系统300的各项和组件、图4的结果页面400的各项和元素以及图5和6的流程图所表示的方法。
一般而言,程序模块包括执行特定任务、功能或实现特定抽象数据类型的例程、方法、数据结构、其他软件组件等等。操作系统720、应用722、模块724和/或数据726的全部或部分也可被高速缓存在诸如易失性存储器710和/或非易失性存储器之类的存储器中。应该明白,所公开的体系结构可以用各种市场上可购得的操作系统或操作系统的组合(例如,作为虚拟机)来实施。
(诸)存储子系统714和存储器子系统(706和718)用作用于数据、数据结构、计算机可执行指令等的易失性和非易失性存储的计算机可读介质。此类指令在由计算机或其他机器执行时可以使得计算机或其他机器执行一种方法的一个或多个动作。计算机可执行指令包括例如使通用计算机、专用计算机或(诸)专用微处理器设备执行某一功能或一组功能的指令和数据。计算机可执行指令可以是例如二进制代码、诸如汇编语言之类的中间格式指令、或甚至源代码。执行动作的指令可被存储在一个介质上,或者可跨多个介质存储,使得指令共同出现在一个或多个计算机可读存储介质/媒体上,而不管所有指令是否都在同一介质上。
计算机可读介质(媒体)可以是不包括传播信号、可由计算机702访问,且包括可移动和不可移动的易失性和非易失性、内部和/或外部介质。对于计算机702,各种类型的存储介质容纳以任何合适的数字格式对数据的存储。本领域的技术人员应当理解,可使用其他类型的计算机可读介质,如zip驱动器、固态驱动器、磁带、闪存卡、闪存驱动器、磁带盒等来存储用于执行所披露的体系结构的新颖方法的计算机可执行指令。
用户可以使用诸如键盘和鼠标等外部用户输入设备728以及通过语音识别而促进的语音命令来与计算机702、程序和数据交互。其他外部用户输入设备728可包括话筒、IR(红外)遥控器、操纵杆、游戏手柄、相机识别系统、指示笔、触摸屏、姿势系统(例如,眼移动、诸如涉及(诸)手、(诸)手指、(诸)手臂、头部等的身体姿态)和/或类似物。在计算机702是例如便携式计算机的情况下,用户可以使用诸如触摸垫、话筒、键盘等板载用户输入设备730来与计算机702、程序和数据交互。
这些和其它输入设备通过输入/输出(I/O)设备接口732经由系统总线708连接到微处理单元704,但也可通过其它接口连接,如并行端口、IEEE1394串行端口、游戏端口、USB端口、IR接口、短程无线(例如蓝牙)和其它个人区域网络(PAN)技术等。I/O设备接口732也便于输出外围设备734的使用,如打印机、音频设备、摄像设备等,如声卡和/或板载音频处理能力。
一个或多个图形接口736(通常也称为图形处理单元(GPU))提供计算机702和(诸)外部显示器738(例如,LCD、等离子)和/或板载显示器740(例如,对于便携式计算机)之间的图形和视频信号。图形接口736也可作为计算机系统板的一部分来制造。
计算机702可以使用经由有线/无线通信子系统742到一个或多个网络和/或其他计算机的逻辑连接在联网环境(例如,基于IP的)中操作。其他计算机可包括工作站、服务器、路由器、个人计算机、基于微处理器的娱乐设备、对等设备或其他常见的网络节点,并且通常包括以上相对于计算机702描述的许多或所有元件。逻辑连接可包括到局域网(LAN)、广域网(WAN)热点等的有线/无线连接。LAN和WAN联网环境常见于办公室和公司,并且方便了诸如内联网等企业范围计算机网络,所有这些都可连接到例如因特网等全球通信网络。
当在联网环境中使用时,计算机702经由有线/无线通信子系统742(例如,网络接口适配器、板载收发机子系统等)连接到网络来与有线/无线网络、有线/无线打印机、有线/无线输入设备744等通信。计算机702可包括用于通过网络建立通信的调制解调器或其他装置。在联网环境中,相对于计算机702的程序和数据可被存储在远程存储器/存储设备中,如与分布式系统相关联。将明白,所示网络连接是示例性的,并且可以使用在计算机之间建立通信链路的其他手段。
计算机702可用于使用诸如IEEE802.xx标准家族等无线电技术来与有线/无线设备或实体通信,例如在操作上安置在与例如打印机、扫描仪、台式和/或便携式计算机、个人数字助理(PDA)、通信卫星、任何一件与无线可检测标签相关联的设备或位置(例如,电话亭、报亭、休息室)以及电话的无线通信(例如,IEEE802.11空中调制技术)中的无线设备。这至少包括用于热点的WiFiTM(用于证明无线计算机联网设备的互操作性)、WiMax以及蓝牙TM无线技术。由此,通信可以是如对于常规网络那样的预定义结构,或者仅仅是至少两个设备之间的自组织(adhoc)通信。Wi-Fi网络使用称为IEEE802.11x(a、b、g等等)的无线电技术来提供安全、可靠、快速的无线连通性。Wi-Fi网络可用于将计算机彼此连接、连接到因特网以及连接到有线网络(使用IEEE802.3相关的技术和功能)。
上面描述的包括所公开的体系结构的各示例。当然,描述每一个可以想到的组件和/或方法的组合是不可能的,但本领域内的普通技术人员应该认识到,许多其他组合和排列都是可能的。因此,该新颖体系结构旨在涵盖所有这些落入所附权利要求书的精神和范围内的更改、修改和变化。此外,就在详细描述或权利要求书中使用术语“包括”而言,这一术语旨在以与术语“包含”在被用作权利要求书中的过渡词时所解释的相似的方式为包含性的。
Claims (10)
1.一种系统,包括:
搜索组件,该搜索组件被配置成作为集成搜索过程的一部分接收查询并接收所述查询的查询上下文;
分类组件,该分类组件被配置成基于预测模型的候选特征生成所述查询的分类值;
意图组件,该意图组件被配置成基于所述分类值标识意图程度,其中所述搜索过程被所述搜索组件基于所述意图程度引导到本地搜索或非本地搜索中的至少一者;以及
至少一个微处理器,该至少一个微处理器被配置成执行存储器中与所述搜索组件、所述分类组件和所述意图组件相关联的计算机可执行指令。
2.如权利要求1所述的系统,其特征在于,所述搜索过程作为所述本地搜索和所述非本地搜索两者来执行以获得总体结果,并且所述总体结果被调整以仅示出与所述意图程度有关的相关结果。
3.如权利要求1所述的系统,其特征在于,所述意图组件将所述意图程度计算为涉及非本地内容、本地内容、本地文件和本地应用。
4.如权利要求1所述的系统,其特征在于,还包括用于特征组件,该特征组件被配置成获得与所述查询和查询上下文有关的候选特征。
5.如权利要求1所述的系统,其特征在于,还包括建议组件,所述建议组件单独地操作或与所述分类组件合作操作以建议与所述查询上下文相关的本地内容或web内容。
6.一种方法,包括以下动作:
作为能执行本地搜索和非本地搜索的搜索过程的一部分,接收查询;
推导出所述查询的上下文;
评估与所述上下文相关联的特征;
基于所述特征计算所述查询的分类值;
基于所述分类值标识意图程度;
基于所述意图程度将所述搜索过程引导到所述本地搜索或所述非本地搜索中的至少一者;以及
将微处理器配置成执行存储器中与接收动作、推导动作、评估动作、计算动作、标识动作和引导动作相关联的指令。
7.如权利要求6所述的方法,其特征在于,还包括,基于所述意图程度调整所述搜索结果。
8.如权利要求6所述的方法,其特征在于,还包括从预测模型获得标识所述意图程度的特征。
9.如权利要求6所述的方法,其特征在于,还包括应用上下文外特征以确定何时查询最频繁地与所述本地搜索相关联。
10.如权利要求6所述的方法,其特征在于,还包括覆盖编程的搜索功能并基于所述意图程度选择不同的搜索过程。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2014/074110 WO2015143639A1 (en) | 2014-03-26 | 2014-03-26 | Client intent in integrated search environment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105264528A true CN105264528A (zh) | 2016-01-20 |
Family
ID=54193882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480032454.5A Pending CN105264528A (zh) | 2014-03-26 | 2014-03-26 | 集成搜索环境中的客户端意图 |
Country Status (10)
Country | Link |
---|---|
US (1) | US20170039269A1 (zh) |
EP (1) | EP3123356A4 (zh) |
JP (1) | JP6446057B2 (zh) |
KR (1) | KR20160136321A (zh) |
CN (1) | CN105264528A (zh) |
AU (1) | AU2014388153B2 (zh) |
CA (1) | CA2940014A1 (zh) |
MX (1) | MX2016012272A (zh) |
RU (1) | RU2662410C2 (zh) |
WO (1) | WO2015143639A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315841A (zh) * | 2017-07-20 | 2017-11-03 | 北京三快在线科技有限公司 | 一种信息搜索方法、装置及系统 |
CN111279328A (zh) * | 2017-05-18 | 2020-06-12 | 谷歌有限责任公司 | 预测对于特定场境的搜索的意图 |
CN111382218A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点(poi)检索的系统和方法 |
CN112639840A (zh) * | 2018-09-11 | 2021-04-09 | 辛纳普蒂克斯公司 | 对受保护数据的神经网络推断 |
CN113282830A (zh) * | 2021-06-09 | 2021-08-20 | 维沃移动通信有限公司 | 展示方法和展示装置 |
CN113792136A (zh) * | 2021-08-25 | 2021-12-14 | 北京库睿科技有限公司 | 文本数据多样化推荐式搜索方法和系统 |
US11397772B2 (en) | 2017-07-20 | 2022-07-26 | Beijing Sankuai Online Technology Co., Ltd. | Information search method, apparatus, and system |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3155539A1 (en) | 2014-06-16 | 2017-04-19 | Google, Inc. | Surfacing live events in search results |
JP2016018537A (ja) * | 2014-07-11 | 2016-02-01 | キヤノン株式会社 | 情報処理端末、情報処理端末の制御方法、及びプログラム |
US11170005B2 (en) * | 2016-10-04 | 2021-11-09 | Verizon Media Inc. | Online ranking of queries for sponsored search |
US11188706B2 (en) * | 2018-01-18 | 2021-11-30 | Christopher Anthony Silva | System and method for regionalized resolution of a network path |
US11182694B2 (en) | 2018-02-02 | 2021-11-23 | Samsung Electronics Co., Ltd. | Data path for GPU machine learning training with key value SSD |
US10726204B2 (en) * | 2018-05-24 | 2020-07-28 | International Business Machines Corporation | Training data expansion for natural language classification |
US11379227B2 (en) * | 2020-10-03 | 2022-07-05 | Microsoft Technology Licensing, Llc | Extraquery context-aided search intent detection |
CN113127602B (zh) * | 2021-04-30 | 2023-05-26 | 竹间智能科技(上海)有限公司 | 一种意图识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125390A1 (en) * | 2003-12-03 | 2005-06-09 | Oliver Hurst-Hiller | Automated satisfaction measurement for web search |
CN101459725A (zh) * | 2007-12-14 | 2009-06-17 | 北京易路联动技术有限公司 | 一种手机终端上面向移动互联网的智能查询方法 |
US20120158685A1 (en) * | 2010-12-16 | 2012-06-21 | Microsoft Corporation | Modeling Intent and Ranking Search Results Using Activity-based Context |
CN103049531A (zh) * | 2011-12-22 | 2013-04-17 | 微软公司 | 用于意图分析、排序和关联性的对本地和远程数据源的基于客户端的搜索 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346613B2 (en) * | 2004-01-26 | 2008-03-18 | Microsoft Corporation | System and method for a unified and blended search |
US7668809B1 (en) * | 2004-12-15 | 2010-02-23 | Kayak Software Corporation | Method and apparatus for dynamic information connection search engine |
US8504548B2 (en) * | 2008-10-03 | 2013-08-06 | Adaptive Computing Enterprises, Inc. | System and method for dynamically managing data centric searches |
US8782050B2 (en) * | 2005-05-06 | 2014-07-15 | Nelson Information Systems, Inc. | Database and index organization for enhanced document retrieval |
US7793230B2 (en) * | 2006-11-30 | 2010-09-07 | Microsoft Corporation | Search term location graph |
US20090132236A1 (en) * | 2007-11-16 | 2009-05-21 | Iac Search & Media, Inc. | Selection or reliable key words from unreliable sources in a system and method for conducting a search |
US20090132486A1 (en) * | 2007-11-16 | 2009-05-21 | Iac Search & Media, Inc. | User interface and method in local search system with results that can be reproduced |
US7809721B2 (en) * | 2007-11-16 | 2010-10-05 | Iac Search & Media, Inc. | Ranking of objects using semantic and nonsemantic features in a system and method for conducting a search |
JP4987687B2 (ja) * | 2007-12-25 | 2012-07-25 | 株式会社エヌ・ティ・ティ・ドコモ | 配信サーバ及び配信方法 |
CN101866341A (zh) * | 2009-04-17 | 2010-10-20 | 华为技术有限公司 | 一种信息推送方法、装置及系统 |
CN101998692A (zh) * | 2009-08-21 | 2011-03-30 | 中兴通讯股份有限公司 | 一种在移动终端上建立索引并进行混合搜索的方法及装置 |
US20110184981A1 (en) * | 2010-01-27 | 2011-07-28 | Yahoo! Inc. | Personalize Search Results for Search Queries with General Implicit Local Intent |
US20110289015A1 (en) * | 2010-05-21 | 2011-11-24 | Microsoft Corporation | Mobile device recommendations |
US8650173B2 (en) * | 2010-06-23 | 2014-02-11 | Microsoft Corporation | Placement of search results using user intent |
US8868548B2 (en) * | 2010-07-22 | 2014-10-21 | Google Inc. | Determining user intent from query patterns |
US20150012524A1 (en) * | 2013-07-02 | 2015-01-08 | Google Inc. | Using models for triggering personal search |
CN103412882B (zh) * | 2013-07-18 | 2016-11-23 | 百度在线网络技术(北京)有限公司 | 一种识别消费意图的方法及装置 |
-
2014
- 2014-03-26 CA CA2940014A patent/CA2940014A1/en not_active Abandoned
- 2014-03-26 KR KR1020167026356A patent/KR20160136321A/ko not_active Application Discontinuation
- 2014-03-26 EP EP14886769.0A patent/EP3123356A4/en not_active Withdrawn
- 2014-03-26 WO PCT/CN2014/074110 patent/WO2015143639A1/en active Application Filing
- 2014-03-26 CN CN201480032454.5A patent/CN105264528A/zh active Pending
- 2014-03-26 JP JP2016559315A patent/JP6446057B2/ja active Active
- 2014-03-26 MX MX2016012272A patent/MX2016012272A/es unknown
- 2014-03-26 AU AU2014388153A patent/AU2014388153B2/en active Active
- 2014-03-26 US US15/303,951 patent/US20170039269A1/en not_active Abandoned
- 2014-03-26 RU RU2016137962A patent/RU2662410C2/ru active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125390A1 (en) * | 2003-12-03 | 2005-06-09 | Oliver Hurst-Hiller | Automated satisfaction measurement for web search |
CN101459725A (zh) * | 2007-12-14 | 2009-06-17 | 北京易路联动技术有限公司 | 一种手机终端上面向移动互联网的智能查询方法 |
US20120158685A1 (en) * | 2010-12-16 | 2012-06-21 | Microsoft Corporation | Modeling Intent and Ranking Search Results Using Activity-based Context |
CN103049531A (zh) * | 2011-12-22 | 2013-04-17 | 微软公司 | 用于意图分析、排序和关联性的对本地和远程数据源的基于客户端的搜索 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111279328A (zh) * | 2017-05-18 | 2020-06-12 | 谷歌有限责任公司 | 预测对于特定场境的搜索的意图 |
CN111279328B (zh) * | 2017-05-18 | 2023-09-15 | 谷歌有限责任公司 | 预测对于特定场境的搜索的意图 |
CN107315841A (zh) * | 2017-07-20 | 2017-11-03 | 北京三快在线科技有限公司 | 一种信息搜索方法、装置及系统 |
US11397772B2 (en) | 2017-07-20 | 2022-07-26 | Beijing Sankuai Online Technology Co., Ltd. | Information search method, apparatus, and system |
CN112639840A (zh) * | 2018-09-11 | 2021-04-09 | 辛纳普蒂克斯公司 | 对受保护数据的神经网络推断 |
CN111382218A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点(poi)检索的系统和方法 |
CN111382218B (zh) * | 2018-12-29 | 2023-09-26 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点(poi)检索的系统和方法 |
CN113282830A (zh) * | 2021-06-09 | 2021-08-20 | 维沃移动通信有限公司 | 展示方法和展示装置 |
WO2022257883A1 (zh) * | 2021-06-09 | 2022-12-15 | 维沃移动通信有限公司 | 展示方法和展示装置 |
CN113792136A (zh) * | 2021-08-25 | 2021-12-14 | 北京库睿科技有限公司 | 文本数据多样化推荐式搜索方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3123356A4 (en) | 2017-09-06 |
AU2014388153A1 (en) | 2016-09-08 |
EP3123356A1 (en) | 2017-02-01 |
AU2014388153B2 (en) | 2020-01-02 |
RU2016137962A3 (zh) | 2018-03-27 |
RU2016137962A (ru) | 2018-03-27 |
JP6446057B2 (ja) | 2018-12-26 |
KR20160136321A (ko) | 2016-11-29 |
CA2940014A1 (en) | 2015-10-01 |
WO2015143639A1 (en) | 2015-10-01 |
RU2662410C2 (ru) | 2018-07-25 |
US20170039269A1 (en) | 2017-02-09 |
MX2016012272A (es) | 2016-11-30 |
JP2017509086A (ja) | 2017-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105264528A (zh) | 集成搜索环境中的客户端意图 | |
CN109063163B (zh) | 一种音乐推荐的方法、装置、终端设备和介质 | |
WO2018072663A1 (zh) | 数据处理方法及装置、分类器训练方法及系统、存储介质 | |
JP2019535055A (ja) | ジェスチャに基づく操作の実施 | |
WO2017197806A1 (zh) | 基于人工智能提供智能服务的方法、智能服务系统及智能终端 | |
US11397873B2 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US11238132B2 (en) | Method and system for using existing models in connection with new model development | |
JP6911603B2 (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
WO2017166944A1 (zh) | 一种提供业务访问的方法及装置 | |
CN108228720B (zh) | 识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质 | |
US11900320B2 (en) | Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow | |
US20160328466A1 (en) | Label filters for large scale multi-label classification | |
US10762089B2 (en) | Open ended question identification for investigations | |
US20210264251A1 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US11288293B2 (en) | Methods and systems for ensuring quality of unstructured user input content | |
JP2024509014A (ja) | ソーティング方法、ソーティングモデルのトレーニング方法、装置、電子機器及び記憶媒体 | |
US20170293691A1 (en) | Identifying Abandonment Using Gesture Movement | |
US11475221B2 (en) | Techniques for selecting content to include in user communications | |
US20230044508A1 (en) | Data labeling processing | |
US11397614B2 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US20240112065A1 (en) | Meta-learning operation research optimization | |
US11163988B2 (en) | Selective interactive event tracking based on user interest | |
US20210365831A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220429 |
|
AD01 | Patent right deemed abandoned |